找到 5 条结果
基于迁移学习和自编码器的极端天气自适应短期风电功率预测
Short-term Wind Power Forecasting for Extreme Weather Adaptation Based on Transfer Learning and Autoencoder
李宇佳陈富豪阎洁葛畅韩爽刘永前 · 电力系统自动化 · 2025年1月 · Vol.49
针对寒潮、台风、覆冰等极端天气下风电功率预测精度低的问题，提出一种基于气象因子的极端天气事件判别方法，并结合迁移学习与自编码器实现自适应短期风电功率预测。通过分析气象要素与机组出力的耦合特性，构建极端天气识别标准；利用自编码器增强长序列特征提取能力，采用‘预训练-微调’策略，在正常天气数据上预训练模型后，基于有限的极端天气样本进行微调，并根据识别结果自适应选用对应模型进行预测。基于12个风电场数据的实验表明，该方法可准确判别极端天气事件，并显著提升预测精度。
解读: 该研究对阳光电源风电变流器和储能系统具有重要应用价值。通过迁移学习和自编码器提升极端天气下的功率预测精度，可优化ST系列储能变流器的调度策略和PowerTitan系统的能量管理。特别是在寒潮、台风等极端天气条件下，该技术可提升风储联合系统的并网稳定性和经济性。建议将此预测方法集成到iSolarClo...
强对流天气下静动结合型电池储能系统的规划
Planning of Stationary-Mobile Integrated Battery Energy Storage Systems Under Severe Convective Weather
Qian Wang · Xueguang Zhang · Ying Xu · Zhongkai Yi 等5人 · IEEE Transactions on Sustainable Energy · 2024年12月
在强对流天气等极端事件下，电力系统的适应性与供电恢复能力至关重要。为此，本文提出一种具备空间灵活性的静动结合型电池储能系统（SMI-BESS）规划新方法，该系统可在静态与移动模式间灵活切换，以应对正常运行与极端天气。考虑强对流天气带来的极端风速、雷击和冰雹等多重威胁，构建了配电网综合脆弱性模型，并采用两类模糊集刻画可再生能源出力与网络故障的不确定性。建立了两阶段自适应分布鲁棒优化（2S-ADRO）模型，实现SMI-BESS的精细化规划。基于中国部分地区气象与电网数据的算例验证了所提方法的有效性。
解读: 该静动结合型储能系统规划技术对阳光电源PowerTitan储能系统和移动储能产品具有重要应用价值。研究提出的两阶段自适应分布鲁棒优化方法可直接应用于ST系列储能变流器的智能调度策略，通过iSolarCloud云平台集成强对流天气预警数据，实现储能系统在固定式与移动式（如充电桩车载储能）间的灵活切换。...
基于灾害抗性的配电网飓风期间时空风险分析
Hazard Resistance-Based Spatiotemporal Risk Analysis for Distribution Network Outages During Hurricanes
Luo Xu · Ning Lin · Dazhi Xi · Kairui Feng 等5人 · IEEE Transactions on Power Systems · 2024年9月
近年来，极端天气事件导致的停电频发，精准评估电力系统最脆弱环节——配电网的时空停运风险对提升系统韧性至关重要。序列蒙特卡洛（SMC）方法虽广泛用于极端天气下的时空风险分析，但其在时序模拟中重复采样时不变脆弱性函数，易高估高频采样下演变灾害的损毁程度。为此，本文提出一种基于灾害抗性的时空风险分析方法（HRSRA），将元件失效概率转换为时不变的灾害抗性进行建模。该方法可自适应融合高时空分辨率气象模型，结合电力系统地理信息与物理风场模型，利用波多黎各真实时序停电数据（含2022年菲奥娜飓风）验证了其优...
解读: 该飓风期间配电网时空风险分析技术对阳光电源PowerTitan大型储能系统和ST系列储能变流器的韧性设计具有重要价值。基于灾害抗性的HRSRA方法可精准识别极端天气下配电网脆弱节点，为储能系统的选址部署、容量配置提供决策依据。结合iSolarCloud云平台的气象数据融合能力，可实现储能系统在飓风等...
极端天气下的风电功率预测：一种新型少样本学习架构
Wind Power Forecasting Under Extreme Weather: a Novel Few-Shot Learning Architecture
Chuanyu Xu · Shichang Cui · Lishen Wei · Bangxian Zhu 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月
针对极端天气下基于神经网络的风电功率预测面临的样本稀缺、常规与极端天气间领域偏移及跨极端条件泛化困难等问题，提出一种新型少样本学习架构。通过引入跨任务元训练的迁移学习策略，降低对样本量的需求并提升跨域泛化能力；设计轻量级参数层以平衡浅层与深层网络的欠拟合与过拟合问题，减少可训练参数并缓解分布偏移；构建跨域风险最小化损失函数，利用二阶梯度提升模型在多样极端条件下的鲁棒性与一致性。基于真实风电场数据的实验表明，该方法显著优于基准模型，在nRMSE和nMAE指标上分别降低2.05%–43.55%和0....
解读: 该少样本学习架构对阳光电源的储能和风电产品线具有重要应用价值。首先可应用于ST系列储能变流器的功率预测与调度优化,提升储能系统在极端天气下的调度效率。其次可集成到iSolarCloud平台,增强风储联合运行的智能预测能力。该技术的跨域迁移学习策略和轻量级参数设计,可优化阳光电源现有的电力预测算法,提...
极端天气条件下电动汽车热管理系统比较分析：以2019款日产Leaf Plus、2020款雪佛兰Bolt和2020款特斯拉Model 3为例
Comparative analysis of thermal management systems in electric vehicles at extreme weather conditions: Case study on Nissan Leaf 2019 Plus, Chevrolet Bolt 2020 and Tesla Model 3 2020
Rabih Al Hadda · Charbel Mansour · Namdoo Kim · Jigu Seo 等6人 · Energy Conversion and Management · 2025年1月 · Vol.332
摘要 随着电动汽车（EV）普及率的上升以及对更长续航里程的需求日益增长，优化能源效率变得尤为关键，尤其是在极端天气条件下，而热管理是实现这一目标的核心环节。用于座舱气候控制和电池温度调节的巨大能耗可使整车能量需求增加超过50%，从而严重限制车辆续航能力。本研究针对三款主流电动汽车——2020款雪佛兰Bolt、2019款日产Leaf Plus和2020款特斯拉Model 3，开展了热管理系统（TMS）的对比分析，评估其在不同气候条件下的TMS结构配置与运行性能。通过结合在美国阿贡国家实验室受控试验...
解读: 该研究对阳光电源EV充电及储能热管理具有重要参考价值。文中对比的三种热管理方案(双蒸发器+PTC、热泵+风冷)在极端温度下的能耗差异显著:-7°C时热泵方案续航损失仅19.3%,远优于PTC的28-31%。这为阳光电源充电桩产品优化提供启示:可开发智能温控充电策略,在极端天气下动态调整充电功率曲线以...